faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

7 ~& N' Y% z  l4 W" v
6 g( B" ~/ R: K借着 chatGPT 这股热潮研究了一下 Whisper，学名叫 automatic speech recognition (ASR) ，就是转换声音到文字的。
# P) C; E- ?+ F( n效果我是很满意的，唯一不满的是速度，在六年前的主流显卡上基本上是一倍速，基本上只用在自己特别喜欢的媒体文件上了。
, M- e% ^* a0 Q4 Q8 e----------------------------------------
$ _6 z9 l/ ~: _% j( l显然不满意的不是我一个，活雷锋很快就出来了，名字很谦虚也很霸气 faster-whisper。
在六年前主力显卡3G内存上，model small，能跑到12倍速，这个是相当满意了。
* X- J- X  f0 p2 O. H) B----------------------------------------
https://github.com/guillaumekln/faster-whisper
. H! D% d6 ]: X  q& X8 J, n) E安装如下：
1, Windows 10
1 P' e" q6 V. V) n! b0 L5 e2, Python 3.10.11
3, CUDA 12.1
' L2 p# ?7 N# I. u5 \+ B1 x0 I8 q4, 在python 3 中安装
pip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
这一步最后一个安装文件 cu117-cp310-cp310-win_amd64.whl 大小2343.6 MB，如果没显示，你得检查一下你的环境。
5，pip install -U openai-whisper
& r# j4 x8 l6 W. h% e( v' ?( v, y这是向whisper 致敬，可以不装
6，pip install faster-whisper
9 Z( g" ^1 O7 M# F4 s----------------------------------------
3 H9 Z" v2 S& {; i7 z" |whisper 我用的命令行，faster-whisper 我用的是python。
/ t: o* k! b9 g$ ^9 L, c! n4 c; r下面给出了部分参考代码，根据主页上的参考代码我做了修改，但这个不是能运行的代码：
2 d& f& P4 u- k% g( h9 @
9 Y! t. c- p# Z# a5 g; i+ f----------------------------------------
" K5 N0 f7 y7 e# t5 _# D
) Q* u, r) o( t. o3 P: rfrom faster_whisper import WhisperModel

# F+ W/ F+ m: U& g, Xmodel_size = "small"
# E2 s1 ]/ r! h3 D* x- f4 ?
model = WhisperModel(model_size, device="cuda", compute_type="int8")
0 L4 U5 r, |! B
segments, info = model.transcribe(
    sourceFileName,
& U( w  i& V5 X( J3 W+ M    beam_size=5,
* \3 P! L+ O3 w    language="en",
$ w! G& ~( B: O: v. B3 ]# k; b    task="transcribe",
    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
9 x" z+ V# X: O8 N( @& x# O
, B7 E5 X* @3 X3 L$ afor segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))
4 G+ {, B5 k; v) p& ~6 X
        for word in segment.words:
               
7 h0 \9 ^& r5 S% V----------------------------------------
* l2 g. n7 ~% Q* a( F" h( |5 @
" L4 ?& k0 m7 F' P* n代码说明：
1，model.transcribe 只是建立了模型，并没有运行，运行 是从 for segment in segments: 这一句开始的。
但是这一步很重要（废话），我的程序有时候会无征兆退出就是在这一步，没有任何错误信息，倒是Windows 侦测到，但也没给出有意义的信息。
2，segment 本身是很粗糙的，做字幕勉强能用。
3，word 才是真正的精确控制的，本身带时间轴，所以要做比较好的字幕，必须用到word。
4，word 里面是包含标点符号的，也就是说标点符号不是独立的，是附着在前一个word中
4 m  t" u, g. O. X比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
/ W& j, |, B1 s: G9 K/ W5，model.transcribe 中参数说明：
9 U% q' @* W: j0 J. Q6 A' Q5 q你要是对 whisper 的参数有所了解的话，基本上这些参数就是对应whisper 的参数
其中
1 I6 q1 S, }$ u0 @( X    word_timestamps=True,
8 R  m! v! _! v保证了你能拿到 word，否则是拿不到的
& \. R) w+ W/ ^2 Y' l- j    initial_prompt = "Hello, welcome to my lecture.")
2 L1 r- Q$ l& d% H) ]保证能尽可能准确的断句 punctuation，但是不是决定性的。
其他参数可参考源文件：
https://github.com/guillaumekln/ ... isper/transcribe.py
- q& h# w% f  w% q2 A0 g152 def transcribe(
( }4 G; G8 v2 O) F% E/ S9 \从源文件你可以看到是支持中文的句号断句的。
  Q  k/ H6 X0 B5 Q* b
  G& D6 j. r* ?0 E: D) X6，如果要尽可能准确的 punctuation，根本办法是用比较大的模型 medium，或者更大。
7，我自己观察一个小时之内可以保证断句准确，再长就很可能不行，所以我的办法是切割文件到一个小时，识别后再聚合，效果不错。
& `8 h0 Z+ e2 Y5 {" M4 S3 o4 {8，faster-whisper 会上传一些信息，检测到不停的使用网络，曾经有一次代码出错就是访问网络，你要是有洁癖就把网络暂时给关了。
) p0 Y: W4 A* s4 R+ x" G


  q6 t3 J8 P( ]

nanimarcus

多谢各位榜爷打赏。